BAB IV HASIL DAN PEMBAHASAN

Transkripsi

1 BAB IV HASIL DAN PEMBAHASAN Chapter Spesifikasi Perangkat Uji Coba Uji co ba dilak ukan pada laptop yang mempuny ai spesifikasi sbb: Spesifikasi Hardware: o Intel(R) Core(TM)2 Duo CPU 2.20 GHz o 2 Gb Memory (RAM) o 300 Gb Harddisk Spesifikasi Software: o 32-bit Operating System o Windo ws Vista TM Ultimate o Matlab Versi (R2008b) o Microsoft Office Excel Data Input Uji coba dilakukan dengan data input yang terdiri dari 7 variabel yaitu: tahun sewa, bulan sewa, urutan lantai, kategori tenant, jumlah unit tersewa perbulan, luas yang tersewa perbulan dan rata-rata harga sewa (ba se rent) per meter persegi perbulan. Data input ini terdiri dari 1200 data yang merupakan data selama 5 tahun (tahun 2003 sam pai 2007). Data input tersebut akan dibagi secar a random menjadi sbb: Data untuk training (70%) : 840 data 49

2 50 Data untuk validation (15%) : 180 data Data untuk testin g (15%) : 180 data Data input disiapkan dalam format Excel (7 baris x 1200 kolom), lalu data tersebut dikonversi terlebih dahulu menjadi format TXT Tab Delimited sehingga dapat di-load langsung oleh MATLAB menjadi matrix sebesar 7 baris x 1200 kolom. inputs 7x1200 = tahun 1 tahun 1200 bulan 1 bulan 1200 lantai 1 lantai 1200 kategori 1 kategori 1200 jumlah_unit 1 jumlah_unit 1200 luas_tersewa 1 luas_tersewa 1200 rerata_harga_sewa 1 rerata_harga_sewa Data Output Untuk trainin g diper lukan data output sebenarnya dar i data input di atas sebagai validasi apakah model yang dibangun sudah tepat. Data outputnya adalah variabel pendapatan. Data output disiapkan dalam bentuk Excel (1 baris x 1200 kolom), lalu data ter sebut dikonv ersi terlebih dah ulu menjadi form at TXT Tab Delimited sehin gga dapat di-lo ad langsun g oleh MATLAB m enjadi matrix sebesar 1 baris x 1200 kolom. targets 1x1200 = pendapatan 1 pendapatan 1200

3 Hasil Training Setelah data input dan data output disiapkan, maka training pun dilakukan dengan mencari pendekatan jumlah hidden neuron yang tepat. Training dilakukan dengan nilai µ=1 agar konvergensi tidak terlalu cepat pada algoritma training Levenberg Marquardt [Demuth, 2009]. Berikut ini adalah ringkasan dari hasil training data (Detil hasil training data dapat dilihat pada Lampiran.): Jumlah Hidden Neuron Best Perform ance Epoch MS E (Mean Squared Error) Regression , , ,9 0, , , , ,5 0, ,2 1 Tabel 4-1 Hasil Training dengan µ=1 Dari tabel di atas dapat disimp ulkan bahwa M SE (Mean Squar ed Error) akan semakin kecil ketika jumlah hidden neuron bertambah sampai nilai tertentu. Pada uji coba diatas M SE terkecil dicapai pada jumlah hidden neuron = 125 yait u yang terjadi pada epoch (iterasi) ke-361 dan Regresi = 1. Model inilah yang akan dipakai unt uk prediksi data di tahun berikutnya. 4.5 Hasil Prediksi Untuk prediksi, telah disediakan data input untuk sat u tahun berikutnya (tahun 2008). Data input untuk prediksi ini terdiri dari 240 data. Data input

4 52 prediksi terdiri dari 7 variabel dan mempunyai format yang sam a dengan form at Data Input sebelumnya. Data inp ut disiapkan dalam format Excel (7 baris x 240 kolom), lalu data tersebut dikonversi terlebih dahulu menjadi format TXT Tab Delimited sehingga dapat di-load langsung oleh MATLAB menjadi matrix sebesar 7 baris x 240 kolom. inputs2 7x240 = tahun 1 tahun 240 bulan 1 bulan 240 lantai 1 lantai 240 kategori 1 kategori 240 jumlah_unit 1 jumlah_unit 240 luas_tersewa 1 luas_tersewa 240 rerata_harga_sewa 1 rerata_harga_sewa 240 Gambar 4.1 Hasil Prediksi dengan Hidden Neuron=125, µ=1

5 53 Gambar 4.2 Plot Perform ance Hasil Prediksi dengan Hidden Neuron=125, µ=1 Hasil prediksi dari input tahun 2008 dapat dilihat pada gambar di atas. Dapat dilihat bahwa MSE yang dicapai telah mendekati nol yaitu 1,8869 pada epoch (per ulangan) ke-191. Nilai MSE ini didap atkan dari hasil prediksi dibandingkan dengan output sebenarnya untuk mengetahui ketepatan hasil prediksi. Perbedaan antara hasil prediksi dengan output sebenarnya dihitung dalam kolom Error Prediksi. Perbedaan antara hasil prediksi terdahulu (yang merupakan nilai konstan pendapatan sewa terakhir sebelumnya) dengan output sebenarnya dihitung dalam kolom Error Prediksi Tedahulu. Perbandingan tersebut dapat dilihat pada Lampiran. Dari perbandingan tersebut didapatkan nilai total errornya sebagai berikut:

6 54 Total Error Prediksi = 4.900,90 Total Error Prediksi Tedahulu = ,54 Dapat dilihat bahwa perbandingannya antara Error Prediksi dengan Error Prediksi Tedahulu adalah mendekati 17 : Atau dengan kata lain, dapat disimpulkan bahwa hasil prediksi pendapatan sewa dengan data mining 582 kali lebih tepat dibandingkan dengan prediksi yang terdahulu.